EmpirioLabs roda mais de 100 modelos de IA em uma única API, de todos os grandes laboratórios e de uma longa lista de novos modelos. Isso torna a plataforma um ponto de vista útil para uma questão simples: com todo o campo disponível em um único projeto e sem garantia, quais modelos os desenvolvedores realmente escolhem?
Analisamos o uso real em toda a plataforma para descobrir. A resposta é consistente e, em certo aspecto, genuinamente surpreendente. Os desenvolvedores estão convergindo para um pequeno conjunto de modelos rápidos e capazes de uma nova geração de laboratórios, e estão escolhendo por mérito, em vez de buscar a maior marca.
Uma observação sobre o método: cada valor abaixo é extraído do tráfego real agregado da plataforma e é mostrado em porcentagem. Quando discutimos preferência, normalizamos o uso em relação à quantidade de modelos que cada fabricante oferece, para que os números reflitam o que os desenvolvedores escolhem, e não apenas o que está na prateleira.
Com 100+ modelos para escolher, o uso depende de alguns
O primeiro padrão nos dados é a concentração. Os desenvolvedores têm um cardápio enorme à sua frente, mas não se espalham por ele. Dos modelos que realmente foram usados, os três mais populares representam 40% de todas as solicitações de idioma, e os dez primeiros representam quase nove em cada dez. A longa cauda de modelos existe e ganha algum uso, mas carrega uma pequena parte do trabalho real.
Essa concentração importa mais do que parece à primeira vista. Isso significa que alguns modelos estão silenciosamente definindo a base do que os desenvolvedores esperam em qualidade, velocidade e preço. Um novo modelo não compete com todo o campo. Compete contra a lista curta no topo e, se não conseguir superar esses modelos em uma tarefa real, permanece na cauda independentemente de como se compara no papel.
Os modelos mais utilizados
Classificado por parte de todo o uso de idiomas, nenhum modelo único consegue isso. Os modelos GLM da Z.ai, MiniMax M3, MiMo da Xiaomi e os modelos rápidos da DeepSeek se agrupam no topo, cada um ocupando uma fatia semelhante, enquanto o restante do catálogo preenche uma longa cauda. Este é um grupo competitivo de alto nível, e não um vencedor dominante, o que é saudável: significa que os desenvolvedores estão ativamente comparando opções em vez de recorrer a um único padrão.
O uso bruto assim é apenas uma das perspectivas da questão. Ele indica para onde vai o volume de solicitações, o que é útil, mas o volume pode ser concentrado em um punhado de usuários pesados e não revela o quão amplamente um modelo é adotado. Para isso, analisamos em seguida quantos desenvolvedores diferentes escolhem cada fabricante, que é uma visão mais democrática do que as pessoas realmente escolhem.
Isso é questão de preferência, não apenas de disponibilidade
É justo contestar um ranking de popularidade. Se um catálogo for mais inclinado para um certo lado, o uso tende a seguir, então uma lista de modelos populares pode simplesmente refletir o que a plataforma decidiu estocar em estoque. Para separar preferência genuína da disponibilidade, comparamos a participação de uso de cada fabricante com sua participação no catálogo.
A diferença entre os dois é o sinal real, e é marcante. Z.ai representa uma pequena fração dos modelos disponíveis, mas assume a maior parcela de uso. DeepSeek, Moonshot e Xiaomi atraem muito mais uso do que sua presença no catálogo previu. Ao mesmo tempo, a fabricante com mais modelos disponíveis, Alibaba, tem apenas uma participação modesta em uso, e uma linha bem abastecida da Amazon mal é tocada.
Em outras palavras, os desenvolvedores não estão simplesmente usando o que é colocado diante deles. Eles estão ativamente buscando um conjunto específico de modelos e deixando de lado outros que são igualmente disponíveis e, em alguns casos, muito mais numerosos. Disponibilidade não é destino. Uma grande presença em catálogos não se traduz em uso, a menos que os modelos o conquistem em trabalhos reais, e essa é a descoberta que todo laboratório de modelos deve acompanhar.
Um pequeno grupo de laboratórios é responsável pela demanda
Essa visão mais democrática, contando quantos desenvolvedores escolhem cada fabricante como padrão em vez de contar o volume bruto de requisições, concentra a demanda em uma lista curta. Z.ai lidera com uma margem clara, seguida por DeepSeek e Moonshot, com Alibaba, Xiaomi e MiniMax logo atrás. Todos os outros juntos são um pequeno resto.
O que une os líderes não é um orçamento de marketing ou um nome conhecido. É a disposição de lançar modelos fortes e abertamente disponíveis em um ritmo acelerado. Os laboratórios que chamam a atenção dos desenvolvedores são, em sua maioria, aqueles que lançam modelos capazes que as equipes podem inspecionar, adaptar e rodar de forma econômica, e estão iterando rápido o suficiente para permanecer na lista curta à medida que as expectativas aumentam.
Velocidade vence o tamanho
Há uma suposição comum de que os desenvolvedores buscam o maior e mais inteligente modelo que podem pagar. Os dados de uso dizem o contrário. Dividimos os modelos em dois grupos: variantes leves, ou seja, as versões Flash, Mini e Lite feitas para velocidade e baixo custo, e modelos em tamanho completo. A maioria dos pedidos de idioma vai para as variantes leves.
Esta é uma resposta racional a como as aplicações reais funcionam. A maioria das tarefas de produção, como classificação, extração, roteamento, sumarização e geração curta, não precisa de um modelo de fronteira, e um modelo rápido e barato que responda em uma fração do tempo é a melhor escolha de engenharia. Os modelos maiores são reservados para os problemas realmente difíceis, não sendo alcançados por padrão. Para as equipes que acompanham tanto seus orçamentos de latência quanto suas contas, esse instinto vale a pena confiar.
Além do texto: o que os desenvolvedores geram
O uso não é apenas sobre linguagem. Voltando para a geração de mídia, os padrões são tão concentrados quanto para o texto. A geração de imagens roda quase inteiramente por um único modelo. Vídeo é dividido principalmente entre Kling e Seedance. O trabalho de áudio, notavelmente, é dominado pela transcrição em vez da síntese, o que diz muito sobre como as equipes usam modelos de áudio hoje: mais para entender o som existente do que para criar novos sons.
A mesma regra vale para todas as modalidades. Uma lista curta de modelos faz a esmagadora maioria do trabalho, e o restante do campo compete pelo que sobra.
O que isso significa se você está escolhendo um modelo
A lição prática que explica tudo isso é escolher por tarefa, não por marca. Os modelos mais usados na plataforma não são os mais famosos. São eles que realmente recebem uma avaliação de custo, rapidez e qualidade para um trabalho específico. Alguns hábitos decorrem diretamente dos dados:
- Comece com um nível rápido e leve e só suba se a tarefa realmente precisar de um modelo maior. A maioria dos trabalhos não funciona.
- Avalie modelos de peso aberto com seriedade. No uso real, eles não são uma escolha de compromisso, são a escolha padrão para trabalhos de produção.
- Não presuma que o maior nome do catálogo é o que mais se encaixa. Disponibilidade e qualidade são coisas diferentes, e os dados de uso mostram que os desenvolvedores as tratam dessa forma.
- Revise seus padrões regularmente. Com o topo do pelotão tão competitivo, o melhor modelo para uma tarefa pode mudar de um trimestre para o outro.
A lição
A história do uso real da IA em 2026 é a convergência e a escolha. Os desenvolvedores têm mais modelos disponíveis do que nunca e respondem concentrando-se em um pequeno conjunto de modelos rápidos e capazes de uma nova geração de laboratórios. O mais importante é que eles escolhem esses modelos por mérito, não pelo que uma plataforma oferece. A maior presença do catálogo não vence. O melhor modelo para o trabalho faz, e cada vez mais esse modelo é aberto, rápido e barato.
Você pode comparar todos os modelos, modalidades e preços em tempo real ao longo do catálogo completo no Página de modelos EmpirioLabs.
Divulgação: Este artigo foi escrito com assistência de IA e revisado por EmpirioLabs IA.
